حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 02 01 Comparison of the Accuracy and Efficiency of Linear Regression and Nonlinear Logit and Probit Models in Stock Price Forecasting مقایسه دقت و کارایی رگرسیون خطی با مدل‌های غیرخطی لاجیت و پروبیت در پیش‌بینی قیمت سهام 1 16 10.61838/jafci.355 FA پرستو اعظمی گروه حسابداری، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران نجمه کارگر کامور گروه حسابداری، واحد رودهن، دانشگاه آزاد اسلامی، رودهن،ایران هدی همتی گروه حسابداری، واحد رودهن، دانشگاه آزاد اسلامی، رودهن،ایران Journal Article 1404 09 04 <p>This study aims to compare the accuracy and efficiency of linear regression with nonlinear Logit and Probit models in short-term stock price forecasting. The study uses daily stock data of Isfahan Steel Company from January 1, 2024, to November 19, 2025. After eliminating multicollinear variables, the closing price was considered the dependent variable, while the number of trades, price-to-earnings ratio (P/E), net percentage of retail trading, and per capita buy and sell values of individual investors were selected as independent variables. An out-of-sample forecasting approach was applied, reserving the last 30 trading days as the test set. The results indicate that although linear regression shows acceptable explanatory power, it underperforms in short-term forecasting. The Logit model achieved the lowest MSE, RMSE, and MAE values, followed by the Probit model. The findings confirm the nonlinear nature of stock price dynamics and highlight the superior predictive performance of probability-based nonlinear models, particularly Logit.</p> <p>هدف این پژوهش مقایسه دقت و کارایی مدل رگرسیون خطی با مدل‌های غیرخطی لاجیت و پروبیت در پیش‌بینی کوتاه‌مدت قیمت سهام شرکت فولاد اصفهان است. این پژوهش از داده‌های روزانه سهام شرکت فولاد اصفهان در بازه زمانی ۱ ژانویه ۲۰۲۴ تا ۱۹ نوامبر ۲۰۲۵ استفاده می‌کند. پس از حذف متغیرهای دارای همخطی، قیمت پایانی به‌عنوان متغیر وابسته و تعداد معاملات، نسبت قیمت به سود (P/E)، درصد خالص معاملات حقیقی و سرانه خرید و فروش حقیقی به‌عنوان متغیرهای مستقل انتخاب شدند. برای ارزیابی توان پیش‌بینی، از رویکرد پیش‌بینی خارج از نمونه استفاده شد و ۳۰ روز پایانی به‌عنوان داده آزمون در نظر گرفته شد. نتایج برآوردها نشان داد هرچند رگرسیون خطی از قدرت تبیینی قابل قبول برخوردار است، اما در پیش‌بینی کوتاه‌مدت عملکرد ضعیف‌تری دارد. مدل لاجیت با کمترین مقادیر خطا در معیارهای MSE، RMSE و MAE بهترین عملکرد پیش‌بینی را نشان داد و مدل پروبیت در رتبه بعدی قرار گرفت. یافته‌ها نشان می‌دهد روابط میان متغیرهای معاملاتی و قیمت سهام ماهیتی غیرخطی دارد و استفاده از مدل‌های مبتنی بر احتمال، به‌ویژه لاجیت، می‌تواند دقت پیش‌بینی قیمت سهام را به‌طور معناداری افزایش دهد.</p> https://jafci.com/index.php/jafci/article/download/355/230